Konvergenz interpolierender Polynome
|
|
- August Dunkle
- vor 7 Jahren
- Abrufe
Transkript
1 Technische Universität Berlin Institut für Mathematik Konvergenz interpolierender Polynome Seminar Differentialgleichungen im Sommersemester 2012 bei Prof. Dr. Etienne Emmrich vorgelegt von David Breiter 1
2 2
3 Inhaltsverzeichnis 1 Einleitung Einführung in die Polynominterpolation Fehlerbetrachtung Abhängigkeit des Fehlers von den Stützstellen Konvergenz interpolierender Polynome Konvergenz bei äquidistanten Stützstellen Konvergenz bei Tschebyschew-Stützstellen
4 1 Einleitung In der Mathematik treten oft Anfangswertprobleme für Differentialgleichungen auf, die teilweise gar nicht, schwer oder nur sehr zeit- und kostenintensiv zu lösen sind. In der Grundveranstaltung zur Numerischen Mathematik haben wir bereits mehrere Verfahren kennengelernt um die gesuchte Lösung des Anfangswertproblems numerisch an einzelnen Punkten auszuwerten, ohne die Funktion selbst zu bestimmen. Verfahren, die wir kennen gelernt haben, waren zum Beispiel das Eulerverfahren oder auch das Einschrittverfahren. Außerdem haben wir in der Veranstaltung zur Numerischen Mathematik gelernt, aus n+1 gegebenen, verschiedenen Stützpunkten (x, f ) für i = 0,..., n aus einem Intervall [a,b] ein Polynom zu interpolieren, das möglichst gut die eigentliche Funktion in diesem Intervall approximieren soll. Polynome werden gerne herangezogen, um die gesuchte Funktion eines Anfangswertproblems zu interpolieren, da sie besonders wünschenswerte Eigenschaften haben; sie sind sowohl leicht zu integrieren, als auch zu differenzieren. In dieser Seminararbeit werden wir die (gleichmäßige) Konvergenz interpolierender Polynome untersuchen. Das heißt, wir werden untersuchen, ob bzw. unter welchen Voraussetzungen die Folge der Interpolationspolynome mit steigender Anzahl der Stützpunkte gegen die zu interpolierende Funktion konvergiert. Dabei werden wir zwischen äquidistanten Stützstellen und Tschebyschew-Stützstellen unterscheiden. Wie wir sehen werden, gibt es erhebliche Unterschiede bezüglich der Konvergenz bei den verschiedenen Arten der Wahl der Stützstellen. 4
5 2 Einführung in die Polynominterpolation Angenommen, wir haben eine Funktion f und ein vorgegebenes Intervall [a,b]. In diesem Intervall haben wir n+1 Punkte (x, f ), i = 0,..., n, mit x x für i j, x = a und x = b gegeben, und wollen nun ein Polynom p mit der Eigenschaft p(x ) = f finden. Es sei Π {Polynome vom Grad n}. Der folgende Satz sichert uns die Existenz und Eindeutigkeit eines interpolierenden Polynoms. Satz 2.0.1: Gegeben seien n+1 Punkte (x, f ), i = 0,..., n, mit x x für i j. Dann gibt es genau ein p Π mit p x = f für i = 0,..., n. Beweis: In diesem Beweis orientieren wir uns an den Beweis aus Numerische Mathematik 1, 9. Auflage von Dr. Josef Stoer, Seite 43. Eindeutigkeit: Angenommen, es gibt zwei verschiedene, interpolierende Polynome p, p Π. Es gilt also p (x ) = f = p (x ), i=0,...,n. Dann gilt für p = p p Π, dass p(x ) = 0, i = 0,..., n. Da der Grad von p kleiner oder gleich n ist und p mindestens n+1 Nullstellen besitzt, folgt mit dem Hauptsatz der Algebra p(x) 0 und damit p = p. Dies steht im Widerspruch zur Annahme. 5
6 Existenz: Wir konstruieren das Interpolationspolynom. Es ist L x = x x x x das i-te Lagrange-Polynom. Für die Lagrange-Polynome L i gilt an den Stützstellen x k : Somit ist L i (x k ) = 1 für i = k 0 für i k (Knotenbasiseigenschaft). p(x) = das Interpolationspolynom, denn es gilt f L (x) p x = f L (x ) = f. q.e.d. Bemerkung: Die Lagrange-Polynome bilden eine Basis des Π. Nun gibt es mehrere Methoden, um das Interpolationspolynom zu bestimmen, allerdings wollen wir nicht weiter darauf eingehen, da dies Gegenstand der Veranstaltung zur Numerischen Mathematik ist. Wir kommen daher direkt zur Fehlerbetrachtung für Interpolationspolynome. 2.1 Fehlerbetrachtung Wir haben eine Funktion f: [a, b] R, sowie die n+1 verschiedenen Stützpunkte x, f, i = 0,..., n und das Interpolationspolynom p. Nun hat es Sinn, nach der Abweichung des Polynoms p von der Funktion f im Intervall [a,b] zu fragen. 6
7 Satz 2.1.1: Sei f: [a, b] R (n+1)-mal stetig differenzierbar und p Π das Interpolationspolynom zu den n+1 verschiedenen Stützstellen. Dann gibt es zu jedem x [a, b] ein ξ a, b, sodass wobei φ x = (x x ). f(x) p(x) = φ x () (), Bemerkung: ϕ wird im Folgenden als Fehlerpolynom bezeichnet. Beweis: Wir halten uns in diesem Beweis an den Beweis aus Numerische Mathematik, 7. Auflage von Hans Rudolf Schwarz und Norbert Köckler, Seite 93. Ist x = x für ein i {0,, n}, ist nichts zu zeigen, da dann φ x = 0 und f x p x = 0. Für x x, i = 0,..., n sei F x f x p x k φ(x), wobei k R so gewählt sei, dass F(x) = 0. Somit hat F mindestens n + 2 verschiedene Nullstellen in [a,b]. Hilfssatz (Satz von Rolle): Sei f eine Funktion, die in (a,b) differenzierbar, in [a,b] stetig ist und für die gelte f(a) = f(b). Dann gibt es mindestens ein x (a, b) mit f x = 0. Beweis: siehe Analysis 1, 2. korrigierte Auflage von Stefan Hildebrandt, Seite 204. Da F mindestens n + 2 Nullstellen hat, können wir den Satz von Rolle anwenden und wissen, dass die Ableitung von F mindestens n + 1 verschiedene Nullstellen besitzt. Dadurch, dass f C [a, b], können wir den Satz insgesamt (n+1)-mal anwenden und erhalten dann, dass ein 7
8 ξ a, b existiert mit F (ξ) = 0. Außerdem wissen wir, dass p x 0 und φ x = n + 1. Daraus resultiert 0 = F ξ = f ξ k φ ξ = f ξ k n + 1. Somit folgt k = (). q.e.d. Die Zwischenstelle ξ hängt allerdings vom gewählten Wert x ab. Um eine geeignete Aussage über die Abweichung des Fehlers auf dem gesamten Intervall zu bekommen, schätzen wir die Ableitungen der Funktion f ab. Mit der Schranke erhalten wir die Abschätzung max, f x = f =: M f p φ. Bemerkung: Die Bedingung f C [a, b] kann leicht abgeschwächt werden. Es genügt zu fordern, dass f C a, b, sowie die Differenzierbarkeit von f in (a, b). Für die Abschätzung benötigen wir dann noch die Beschränktheit von f (). Noch geringere Differenzierbarkeitseigenschaften würden allerdings im Allgemeinen zu geringerer Interpolationsgenauigkeit führen. Wir sehen also, dass der Fehler durch 2 Faktoren bestimmt wird. Einerseits durch M, diesen Wert können wir nicht weiter kontrollieren, andererseits durch φ. Welchen Einfluss dieser Wert auf die Konvergenz hat, werden wir im Kapitel über Konvergenz der Interpolationspolynome sehen. 8
9 2.2 Abhängigkeit des Fehlers von den Stützstellen Die betrachtete Abschätzung lässt sich im Allgemeinen nicht durch die Forderung höherer Differenzierbarkeit verbessern. Die gefundene Abschätzung ist auch in dem Sinne optimal, dass man leicht eine Funktion angeben kann, für die die Schranke angenommen wird. Dazu wählen wir f φ. Dann ist M = n + 1 und wir erhalten f p φ. Da aber in diesem Fall p 0 das einzige Polynom ist, das an den Stellen x,, x mit f (bzw. in diesem Fall φ) übereinstimmt, folgt hier also die Gleichheit f p = φ p = φ. Die Frage, die sich uns dabei stellt, ist welchen Zusammenhang es zwischen den Stützstellen und dem Wert φ gibt. Diese Frage wird durch den folgenden Satz beantwortet. Satz 2.2.1: Es sei I [min x, max x ]. Für das Fehlerpolynom φ gilt die Abschätzung φ = max x x x x h "#, wobei mit h "# der größte Abstand zweier benachbarter Stützstellen bezeichnet wird. Beweis: Sei o.b.d.a. h "# = x x und x [x, x ] beliebig aber fest. Dann gilt (x x )(x x ) "#, wobei die Gleichheit genau dann gilt, wenn x in der Mitte von x und x liegt. Es folgt daher 9
10 x x x x x x x x x x x x x x x x h "# 4 2h "# 3h "# nh "# = n h "# 4 q.e.d. Somit erhalten wir also die Abschätzung f p h "#. 3 Konvergenz interpolierender Polynome Um nun eine Aussage über die Konvergenz machen zu können, benötigen wir noch die Definition der gleichmäßigen Konvergenz. Definition 3.0.1: Sei f N eine Folge von Funktionen f : D R. Die Folge f heißt auf D gleichmäßig konvergent gegen f: D R, falls zu jedem ε > 0 ein N(ε) N existiert, sodass f x f x für alle n > N(ε) und für alle x D gilt. < ε Bei genauerer Betrachtung der letzten Fehlerabschätzung, können wir direkt einen Satz angeben, der uns die gleichmäßige Konvergenz interpolierender Polynome sichert. 10
11 Satz 3.0.2: Sei f C [a, b] und es existiere ein M > 0, sodass für alle n N gilt f M. Dann konvergiert die Folge der Interpolationspolynome auf [a, b] gleichmäßig gegen die Funktion f. Beweis: Die Behauptung folgt aus f p h "# 0, n. q.e.d. Bemerkung: Der Satz ist zwar auf viele Standardfunktionen anwendbar, allerdings nicht auf praktisch interessante Funktionen. Dazu ist die Bedingung f C [a, b] und die Bedingung einer oberen Grenze für alle Ableitungen zu einschränkend. Um nun etwas mehr über die Konvergenz interpolierender Polynome aussagen zu können, werden wir im Weiteren zwischen den Arten der Stützstellen unterscheiden. 3.1 Konvergenz bei äquidistanten Stützstellen Im Folgenden betrachten wir eine äquidistante Verteilung der Stützstellen. Das heißt, dass alle Stützstellen zu festem n N den gleichen Abstand h zueinander haben: x = a, x = x + i h mit Schrittweite h =. Wir versuchen nun eine Aussage über die Konvergenz der interpolierenden Polynome zu erhalten. Dafür rufen wir uns zunächst den Weierstraßschen Approximationssatz in Erinnerung. 11
12 Weierstraßsche Approximationssatz: Zu jeder auf [a, b] stetigen Funktion f gibt es eine Folge von Polynomen p, die auf a, b gleichmäßig gegen f konvergiert. Beweis: siehe Numerische Mathematik, 2. Auflage von Günther Hämmerlin und Karl-Heinz Hoffmann, Seite 135ff. Es stellt sich die Frage, ob die Folge der Interpolationspolynome diese Folge von Polynomen darstellt und wir somit eine stetige Funktion beliebig genau im Sinne der Maximumnorm (auch Tschebyschew-Norm genannt) approximieren können. Wir betrachten daher im folgenden Beispiel eine stetige Funktion und interpolieren diese zu unterschiedlich vielen Stützpunkten. Beispiel (Beispiel von Runge): Die Rungefunktion f: a, b R ist gegeben durch f x =. Wir betrachten das Intervall [ 5,5]. Zu beachten ist, dass diese Funktion im Reellen stetig ist, betrachten wir die Funktion allerdings auf C, besitzt f Polstellen in x = ±i. Die folgende Abbildung zeigt uns die Interpolation der Rungefunktion durch ein Polynom bei sechs äquidistanten Stützstellen. 12
13 Abbildung 1: Interpolation der Rungefunktion mit n=5 und äquidistanten Stützstellen Nun vergrößern wir die Anzahl der Stützstellen auf insgesamt elf und erhalten eine schlechtere Approximation im Sinne der Maximumnorm. Abbildung 2: Interpolation der Rungefunktion mit n=10 und äquidistanten Stützstellen Dieses Phänomen der verschlechterten Approximation bei steigender Anzahl der Stützstellen wird daher auch als Runge-Phänomen bezeichnet. Dass die Folge der Interpolationspolynome zur Rungefunktion bei äquidistanten Stützstellen divergiert, können wir uns auch klar machen, 13
14 wenn wir uns an die Fehlerabschätzung erinnern und insbesondere f () genauer betrachten. Es gilt, dass die n-te Ableitung der Rungefunktion gegeben ist durch f x = 1 n "# "##$%. Der Beweis dieser Tatsache beruht auf vollständiger Induktion. Wir bemerken an dieser Stelle, dass lim f (x) = lim f x = 0 für alle n N gilt und f für alle n N stetig ist. Daher reicht es aus, die Extrema der n-ten Ableitung zu bestimmen, und falls diese Extremstellen in dem von uns betrachteten Intervall [-5,5] liegen, liefert uns das den gesuchten Wert f. Um nun die Extrema der n-ten Ableitung zu bestimmen, setzen wir die (n+1)-te Ableitung Null und berechnen somit die Kandidaten für Extremstellen: sin n + 2 arccot x 0 = 1 n x 0 = sin n + 2 arccot x x = cot k π n + 2, k Z 0. Um uns nun klar zu machen, dass es sich bei diesem Kandidaten tatsächlich um eine Extremstelle handelt, setzen wir diesen Wert in die (n+2)-te Ableitung ein und erkennen da sin n + 3 f x 0, 0 für k Z 0 und n N gilt. Setzen wir nun diese Extremstelle x in die n-te Ableitung der Rungefunktion ein, ergibt sich f x = 1 n "#. "# 14
15 An dieser Stelle ist zu bemerken, dass wir k = für gerade n N setzen können und damit f (x ) maximieren, da dann sin n + 1 π 2 = 1 und cot π 2 = 0 gilt. Genauer betrachtet, ist k = (2k + 1) für alle k Z aufgrund der Periodizität des Kotangens eine Extremstelle, da aber für k Z gilt cot (2k + 1) = 0, reicht es aus, den Fall k = 0 zu betrachten. Da somit x = 0, wir also nur eine Extremstelle haben und diese in dem Intervall [-5,5] liegt, ist also f = n für gerade n N. Für ungerade n N können wir leider nicht k = setzen, da für eine Extremstelle laut vorangegangener Rechnung k Z {0} sein muss. Um dennoch den Wert f bringen, müssen wir auch für ungerade n N in Erfahrung zu f x = 1 n sin n + 1 k π n cot k π n + 2 in Abhängigkeit von k Z {0} maximieren. Dies ist nun gleichbedeutend damit, dass wir die Extremstellen von g k sin n + 1 k π n cot k π n + 2 für ungerade n N suchen. An dieser Stelle möchten wir die Rechnung zur Bestimmung der Extremstellen dem Leser ersparen, da bereits die 15
16 Ableitung der Funktion g nach k sehr unübersichtlich wird. Das Ergebnis ist, dass k = ± = ± die Extrema der Funktion g liefert. Anzumerken ist hier wieder, dass für k = ± die gefundenen Extremstellen x = cot für alle n N in dem von uns betrachteten Intervall [-5,5] liegen und uns damit den gesuchten Wert f Da für k = und k = angenommen wird, können wir also auch f bestimmen, da für k = dann f x = 1 n mit n N der gleiche Wert f sin n + 1 liefern. x für ungerade n N π 2 n cot n + 1 π 2 n + 2 der exakte Wert einer Extremalstelle der n-ten Ableitung der Rungefunktion für ungerade n N ist. An dieser Stelle sei darauf hingewiesen, dass f n für ungerade n N, allerdings nicht exakt den Wert n annimmt, da 0 < sin n + 1 π 2 (n + 2) < 1 und Zusammenfassend sei angemerkt. f 0 < cot () (). = n, für gerade n N n, für ungerade n N Um nun zu zeigen, dass die Folge der Fehlerabschätzung zur Rungefunktion bei äquidistanten Stützstellen divergiert, benutzen wir, 16
17 dass eine Folge divergiert, falls sie eine divergente Teilfolge besitzt. Sei dazu p Π die Folge der Interpolationspolynome zur Rungefunktion und für n 2k + 1 mit k N sei p Π die Teilfolge mit ungeradem Index. Um die Divergenz zu zeigen, werden wir die Stirlingformel benutzen, die besagt, dass n asymptotisch gleich 2πn ist: n 2πn. Es gilt dann für die Folge p Π : f p = f 4 n + 1 h "# (n + 1) 4 n + 1 b a n = n 4 10 n 2πn n e 4 = 2πn 4 10 e n 2π = 4 e n Um nun zu zeigen, dass dieser Ausdruck tatsächlich divergiert, verwenden wir die Regel von L Hospital. Diese können wir anwenden, 10 n da lim " = und lim n =. Es gilt damit 17
18 lim 10 e n = lim = lim 10 e 10 e 10 = lim e = n (log 10 1) 1 2 n 2 n log 10 1 Somit haben wir also gezeigt, dass die Teilfolge zu den Interpolationspolynomen mit ungeradem n N divergiert und damit folgt, dass die gesamte Folge divergiert. Im nächsten Beispiel interpolieren wir eine weitere, stetige Funktion zu äquidistanten Stützstellen. Beispiel (Beispiel von Bernstein): Wir betrachten die Funktion f: a, b R gegeben durch f x = x im Intervall 1,1. Die folgende Abbildung zeigt uns die Interpolation der Betragsfunktion mit äquidistanten Stützstellen und n = 2, 4, 8, 10. Abbildung 3: Interpolation der Betragsfunktion mit n=2, 4, 8, 10 und äquidistanten Stützstellen 18
19 Besonders auffallend ist in beiden Beispielen die verschlechterte Approximation an den Rändern der Intervalle. Dieses Phänomen wird erklärt, wenn wir uns das Fehlerpolynom anschauen. Abbildung 4: Das Fehlerpolynom mit n=10 und äquidistanten Stützstellen Auffällig ist, dass das Fehlerpolynom an den Rändern des Intervalls betragsmäßig große Werte annimmt, während die Werte in der Mitte des Intervalls deutlich niedriger sind. Es stellt sich daher die Frage, welche Eigenschaften der Funktion wir fordern müssen, um mit steigender Anzahl der Stützstellen dennoch eine bessere Approximation zu erreichen. Das Beispiel von Runge gab uns bereits einen Hinweis, dass die Konvergenz der Interpolationspolynome durch die Ergänzung der reellen Funktion f durch z C beeinflusst wird. Definition 3.1.3: Es sei U C und z U. Eine Funktion f: U C heißt komplex differenzierbar in z 0, falls lim f z + h f(z ) h 19
20 existiert. Die Funktion f heißt holomorph bzw. analytisch in z 0, falls eine Umgebung um z existiert, in der f komplex differenzierbar ist. Ist f auf ganz C holomorph, so nennt man f eine ganze Funktion. Satz 3.1.4: Sei f eine ganze, für reelle Argumente reellwertige Funktion. Dann konvergiert die Folge der Interpolationspolynome bei beliebiger Stützstellenverteilung gleichmäßig gegen f. Beweis: Im folgenden Beweis halten wir uns an den Beweis aus Numerische Mathematik, 2. Auflage von Günther Hämmerlin und Karl- Heinz Hoffmann, Seite 224. Für den Beweis benutzen wir die Cauchysche Integralformel. Sei dafür x [a, b] und Γ ein Kreis um x mit dem Radius ρ = 2(b a). Seien außerdem M x max f z und M sup, M x <. Dann gilt die aus der Cauchyschen Integralformel f (x) k = 1 2πi f(ζ) dζ ζ x fließende Cauchysche Abschätzungsformel f (x) k 1 2π M x 2πρ 1 ρ M x = ρ und somit also für alle x [a, b] die Abschätzung () (). Verwenden wir nun die Abschätzung, die aus Satz folgt und die Abschätzung φ b a, führt das auf f p und somit gilt lim f p = 0. M 2 q.e.d. 20
21 Offen bleibt allerdings die Frage der Konvergenz der Interpolationspolynome bei stetigen Funktionen. Satz (Satz von Marcinkiewicz): Zu jeder Funktion f C[a, b] gibt es eine Folge von Stützstellen ( x () ), k = 0,..., n und n N derart, dass die Folge der Interpolationspolynome gleichmäßig gegen f konvergiert. Neben dem Satz von Marcinkiewicz gibt es noch den Satz von Faber. Satz (Satz von Faber): Für jede Folge von Stützstellen x N existiert eine Funktion f C[a, b], sodass die Folge der Interpolationspolynome auf [a, b] NICHT gleichmäßig gegen f konvergiert. Zur Erläuterung: Der Satz von Faber besagt, dass wir keine Folge von Stützstellen finden können, sodass für jede stetige Funktion die Folge der Interpolationspolynome gleichmäßig gegen die Funktion konvergiert. Andererseits sagt der Satz von Marcinkiewicz aus, dass wir zu jeder vorgegebenen, stetigen Funktion eine Folge von Stützstellen finden können, sodass die Folge der Interpolationspolynome gleichmäßig gegen die Funktion konvergiert. Leider geben uns weder der Satz von Marcinkiewicz, noch sein Beweis (nachzulesen in Numerische Mathematik, 2. Auflage von Günther Hämmerlin und Karl-Heinz Hoffmann, Seite 225) ein Verfahren zur Konstruktion der Folge der Stützstellen. 21
22 3.2 Konvergenz bei Tschebyschew-Stützstellen Wie wir bereits bei der Fehlerbetrachtung gesehen haben, ist unser Ziel die Stützstellen x,..., x so zu wählen, dass wir φ möglichst minimieren. Anders formuliert bedeutet dies, wir suchen ein normiertes Polynom q Π, so dass gilt. max q (x) = [,] min "#$%&#' max p(x) [,] Erinnerung: Ein Polynom p x = a x + + ax + a Π heißt normiert, falls a = 1. Definition 3.2.1: Für n N sei T 1,1 R gegeben durch T x = cos n arccos x. Diese Polynome heißen Tschebyschew- Polynome. Um nun einen wichtigen Satz über Tschebyschew-Polynome beweisen zu können, benötigen wir noch die grundlegenden Eigenschaften. Korollar (Eigenschaften der Tschebyschew-Polynome): (i) max [,] T (x) = 1 (ii) (iii) (iv) T (cos(θ)) = cos n θ T n hat in (-1,1) insgesamt n Nullstellen, diese sind gegeben durch t () = cos π für k = 1,, n. T hat in [-1,1] (n+1) Extrema, diese sind gegeben durch s cos ", j = 0,, n mit T s = 1. 22
23 Beweis: (i) Es gilt T 1 = cos(n 0) = 1 und wegen der Beschränktheit des Kosinus folgt somit max [,] T (x) = 1. (ii) Diese Eigenschaft folgt aus der Tatsache, dass die Abbildung x cos (x) auf [0,π] umkehrbar ist mit x arccos(x). (iii) Für k = 1,, n gilt " [0, π] und somit folgt T t = cos 2k 1 = 0 für k = 1,, n. (iv) T s = T cos " = cos "# = cos kπ = 1 q.e.d. Damit kommen wir zu folgendem Satz. Satz 3.2.3: Sei n N. Für die Polynome q = 2 T Π gilt dann 2 = max [,] q (x) = min "#$%&#' max p(x). [,] Beweis: In diesem Beweis orientieren wir uns an den Beweis aus Numerische Mathematik, 7. Auflage von Hans Rudolf Schwarz, Norbert Köckler, Seite 171. Die linke Gleichheit folgt mit Teil (i) des Korollars. Für die rechte Gleichheit ist die Abschätzung " " trivial. Für " " nehmen wir an, es gäbe ein normiertes Polynom q Π, mit Für die Extremstellen s dann wegen T s q(x) < 2 x [ 1,1]. = 1 cos ", j = 0,, n + 1, von T gilt 23
24 q s 2 T s = < 0, falls k gerade > 0, falls k ungerade. Nach dem Zwischenwertsatz hat q 2 T dann n+1 paarweise verschiedene Nullstellen. Da sowohl q als auch 2 T normiert sind, gilt und somit q 2 T Π q = 2 T. Dies ist aber ein Widerspruch zu der Annahme q(x) < 2 für alle x [ 1,1]. q.e.d. Bemerkung: Diese Eigenschaft der Tschebyschew-Polynome wird auch als Optimalitätsbedingung oder Minimax-Eigenschaft bezeichnet. Da das Fehlerpolynom ein normiertes Polynom vom Grad n+1 darstellt, wissen wir aufgrund der Minimax-Eigenschaft, dass das Betragsmaximum des Fehlerpolynoms für alle x 1,1 sein Minimum annimmt, falls die n+1 Stützstellen gleich den n+1 Nullstellen von T sind. Die Tschebyschew-Stützstellen (also die Nullstellen der Tschebyschew-Polynome) minimieren aber nicht nur die Fehlerschranke bei der Polynominterpolation, sie verhindern häufig auch, dass das Interpolationspolynom an den Rändern des Intervalls zu sehr ausbricht. Dieser Sachverhalt wird in der folgenden Abbildung verdeutlicht, die den Graphen des Fehlerpolynoms zu den Tschebyschew-Stützstellen im Vergleich zum Fehlerpolynom zu äquidistanten Stützstellen darstellt. 24
25 Abbildung 5: Fehlerpolynom bei n=10 und Tschebyschew- Stützstellen Wir hatten in diesem Kapitel bisher stets das Intervall 1,1 betrachtet, ist allerdings ein beliebiges Intervall [a,b] gegeben, müssen wir die Stützstellen transformieren. Dies geschieht mit der Abbildung ψ: 1,1 [a, b], die gegeben ist durch ψ x = a + x b a + b. Im gleichen Maße ändert sich dann allerdings auch der Fehler des Interpolationspolynoms. Im Intervall [-1,1] gilt für das Interpolationspolynom, dessen Stützstellen gleich den Tschebyschew- Stützstellen sind f p, während nun im Intervall [a,b] die Fehlerabschätzung gilt. f p M n + 1 b a 2 4 Nun ist es einfach, die optimalen Stützstellen für eine Polynominterpolation zu berechnen. Man berechnet die Nullstellen des entsprechenden Tschebyschew-Polynoms und transformiert diese 25
26 Nullstellen mit Hilfe der Funktion ψ auf das Intervall [a,b]. Welchen entscheidenden Unterschied diese veränderte Stützstellenverteilung aufweist, machen wir uns am Beispiel der Rungefunktion klar. Wir interpolieren im Folgenden die Rungefunktion mit sechs Tschebyschew- Stützstellen im Intervall [-5,5]. Abbildung 6: Interpolation der Rungefunktion mit n=5 und Tschebyschew- Stützstellen Nun erhören wir die Anzahl der Tschebyschew-Stützstellen auf elf und erhalten im Gegensatz zur Interpolation mit äquidistanten Stützstellen eine bessere Approximation. 26
27 Abbildung 7: Interpolation der Rungefunktion mit n=10 und Tschebyschew- Stützstellen Diese verbesserte Approximation ist auf die Tatsache zurückzuführen, dass sich die Tschebyschew-Stützstellen eher zum Rand des Intervalls drängen, während bei äquidistanter Stützstellenverteilung gerade am Rand ein Ausbrechen des Interpolationspolynoms zu beobachten war. Um nun zu einer geeigneten Aussage über die Konvergenz der Interpolationspolynome zu kommen, die zu den Tschebyschew- Stützstellen gebildet wurden, benötigen wir noch eine Definition. Definition 3.2.4: Eine Funktion f C[ 1,1] erfüllt die Dini-Lipschitz- Bedingung, wenn lim[w δ ln δ] = 0 gilt, wobei mit w δ sup{ f x f y x y δ} das Stetigkeitsmodul von f bezeichnet wird. Satz 3.2.5: Genügt eine Funktion f im Intervall [-1,1] der Dini-Lipschitz- Bedingung, so konvergiert das zu den Tschebyschew-Knoten konstruierte Interpolationspolynom gleichmäßig gegen f. 27
28 Beweis: Der Satz ist eine Folgerung aus dem Satz 1 und dem Satz 2 aus Konstruktive Funktionentheorie von Isidor Pavlovich Natanson, deutsche Übersetzung von Karl Bögel, Seite 389ff. Wie zuvor können wir auch in diesem Fall wieder das Intervall [-1,1] mit Hilfe der Funktion ψ auf das Intervall [a,b] transformieren. Bemerkung: Aus der Eigenschaft f C a, b folgt aufgrund des Mittelwertsatzes die lokale Lipschitz-Stetigkeit. Aus der Lipschitz- Stetigkeit können wir wiederum folgern, dass die Funktion die Dini- Lipschitz-Bedingung erfüllt. Diese Tatsache ist aus der folgenden Abschätzung ersichtlich: Sei δ > 0 und x, y [a, b], sodass x y δ, dann folgt aufgrund der Lipschitz-Stetigkeit zum Parameter L f x f y L x y L δ und damit 0 w δ ln δ L δ ln δ 0 für δ 0. Diese Bemerkung sichert uns die Konvergenz der Interpolationspolynome, die zu den Tschebyschew-Stützstellen gebildet wurden, sofern die zu interpolierende Funktion f stetig differenzierbar ist. Wir müssen somit deutlich geringere Eigenschaften fordern, um Konvergenz zu erhalten, als das bei äquidistanten Stützstellen der Fall war. Da die Rungefunktion stetig-differenzierbar ist, die Ableitung ist gegeben durch f x = ( 1) "# ( "##$% ) =, ist erklärt, dass wir mit steigender Anzahl der Stützstellen (siehe Abbildung 6 & 7) eine bessere Approximation durch die Interpolationspolynome, die zu den Tschebyschew-Stützstellen gebildet wurden, erhalten. 28
29 Literatur [1] Günther Hämmerlin: Numerische Mathematik, Bibliographisches Institut, Mannheim, 2. überarbeitete Auflage, [2] Günther Hämmerlin, Karl-Heinz Hoffmann: Numerische Mathematik, Springer, Berlin, 2. Auflage, [3] Isidor Pavlovich Natanson: Konstruktive Funktionentheorie, deutsche Übersetzung von Karl Bögel, Akademie-Verlag, Berlin, [4] Hans Rudolf Schwarz, Norbert Köckler: Numerische Mathematik, Vieweg + Teubner, Wiesbaden, 7. Auflage, [5] Dr. Josef Stoer: Numerische Mathematik 1, Springer, Berlin, 9. Auflage,
Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 5. Juni 2016 Definition 5.21 Ist a R, a > 0 und a 1, so bezeichnet man die Umkehrfunktion der Exponentialfunktion x a x als
MehrLösungen der Übungsaufgaben von Kapitel 3
Analysis I Ein Lernbuch für den sanften Wechsel von der Schule zur Uni 1 Lösungen der Übungsaufgaben von Kapitel 3 zu 3.1 3.1.1 Bestimmen Sie den Abschluss, den offenen Kern und den Rand folgender Teilmengen
Mehr4 Anwendungen des Cauchyschen Integralsatzes
4 Anwendungen des Cauchyschen Integralsatzes Satz 4. (Cauchysche Integralformel) Es sei f : U C komplex differenzierbar und a {z C; z z 0 r} U. Dann gilt f(a) = z z 0 =r z a dz. a z 0 9 Beweis. Aus dem
MehrHöhere Mathematik I für die Fachrichtung Informatik. Lösungsvorschläge zum 10. Übungsblatt. < 0 für alle t > 1. tan(x) tan(0) x 0
KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Christoph Schmoeger Heiko Hoffmann WS 03/4 Höhere Mathematik I für die Fachrichtung Informatik Lösungsvorschläge zum 0. Übungsblatt Aufgabe
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
Mehrf(x 0 ) = lim f(b k ) 0 0 ) = 0
5.10 Zwischenwertsatz. Es sei [a, b] ein Intervall, a < b und f : [a, b] R stetig. Ist f(a) < 0 und f(b) > 0, so existiert ein x 0 ]a, b[ mit f(x 0 ) = 0. Wichtig: Intervall, reellwertig, stetig Beweis.
Mehr3.1.3 Newtonsche Interpolationsformel / Dividierte Differenzen
KAPITEL 3 INTERPOLATION UND APPROXIMATION 4 33 Newtonsche Interpolationsformel / Dividierte Differenzen Das Verfahren von Neville ist unpraktisch, wenn man das Polynom selbst sucht oder das Polynom an
Mehr1. Aufgabe [2 Punkte] Seien X, Y zwei nicht-leere Mengen und A(x, y) eine Aussageform. Betrachten Sie die folgenden Aussagen:
Klausur zur Analysis I svorschläge Universität Regensburg, Wintersemester 013/14 Prof. Dr. Bernd Ammann / Dr. Mihaela Pilca 0.0.014, Bearbeitungszeit: 3 Stunden 1. Aufgabe [ Punte] Seien X, Y zwei nicht-leere
Mehra 0, a 1, a 2, a 3,... Dabei stehen die drei Pünktchen für unendlich oft so weiter.
7 Folgen 30 7 Folgen Wir betrachten nun (unendliche) Folgen von Zahlen a 0, a, a 2, a 3,.... Dabei stehen die drei Pünktchen für unendlich oft so weiter. Bezeichnung Wir bezeichnen mit N die Menge der
Mehr5 Stetigkeit und Differenzierbarkeit
5 Stetigkeit und Differenzierbarkeit 5.1 Stetigkeit und Grenzwerte von Funktionen f(x 0 ) x 0 Graph einer stetigen Funktion. Analysis I TUHH, Winter 2006/2007 Armin Iske 127 Häufungspunkt und Abschluss.
MehrCauchy-Folgen und Kompaktheit. 1 Cauchy-Folgen und Beschränktheit
Vortrag zum Seminar zur Analysis, 10.05.2010 Michael Engeländer, Jonathan Fell Dieser Vortrag stellt als erstes einige Sätze zu Cauchy-Folgen auf allgemeinen metrischen Räumen vor. Speziell wird auch das
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Aufgabe 45. Polynome sind stets stetig. Höhere Mathematik für Informatiker II (Sommersemester
MehrApproximationstheorie und Approximationspraxis
Approximationstheorie und Approximationspraxis Martin Wagner Bergische Universität Wuppertal Fachbereich C - Mathematik und Naturwissenschaften AG Optmierung und Approximation 3. Februar 2010 1 / 20 Motivation
Mehr3 Windungszahlen und Cauchysche Integralformeln
3 3 Windungszahlen und Cauchysche Integralformeln 3. Definition: Sei geschlossener Integrationsweg oder Zyklus mit z 0 C \ Sp. Dann heißt n(, z 0 ) := dz z z 0 Windungszahl (oder: Index, Umlaufszahl) von
Mehr5.5. UMKEHRFUNKTIONEN TRIGONOMETRISCHER FUNKTIONEN 115
5.5. UMKEHRFUNKTIONEN TRIGONOMETRISCHER FUNKTIONEN 5 Satz 5.5.2 (Ableitung der Umkehrfunktion einer Winkelfunktionen) Die Umkehrfunktionen der trigonometrischen Funktionen sind nach Satz 5.2.3 auf den
Mehr(x x j ) R m [x] (3) x x j x k x j. R m [x]. (4)
33 Interpolation 147 33 Interpolation In vielen praktischen Anwendungen der Mathematik treten Funktionen f auf, deren Werte nur näherungsweise berechnet werden können oder sogar nur auf gewissen endlichen
Mehr1 Einleitung. 2 Reelle Zahlen. 3 Konvergenz von Folgen
1 Einleitung Können Sie die folgenden Fragen beantworten? Sie sollten es auf jeden Fall versuchen. Dieser Fragenkatalog orientiert sich an den Themen der Vorlesung Analysis 1 aus dem Wintersemester 2008/09
MehrBrückenkurs Rechentechniken
Brückenkurs Rechentechniken Dr. Jörg Horst Technische Universität Dortmund Fakultät für Mathematik SS 2014 1 Vollständige Induktion Vollständige Induktion 2 Funktionenfolgen Punktweise Konvergenz Gleichmäßige
MehrKapitel 3. Konvergenz von Folgen und Reihen
Kapitel 3. Konvergenz von Folgen und Reihen 3.1. Normierte Vektorräume Definition: Sei V ein Vektorraum (oder linearer Raum) über (dem Körper) R. Eine Abbildung : V [0, ) heißt Norm auf V, falls die folgenden
MehrGRUNDLAGEN MATHEMATIK
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik GRUNDLAGEN MATHEMATIK 4. Differentialrechnung Prof. Dr. Gunar Matthies Wintersemester 2015/16 G. Matthies
MehrZiel: Iterative Lösung der (nichtlinearen) Gleichung f(x) = 0.
6.4 Fixpunkt-Iteration Ziel: Iterative Lösung der (nichtlinearen) Gleichung f(x) = 0. Möglichkeiten: Bisektionsverfahren (Intervallhalbierung) Newton-Verfahren, x k+1 = x k f(x k) f (x k ) für k = 0, 1,
MehrKlausur - Analysis I Lösungsskizzen
Klausur - Analysis I Lösungsskizzen Aufgabe 1.: 5 Punkte Entscheiden Sie, ob folgende Aussagen wahr oder falsch sind. Kennzeichnen Sie wahre Aussagen mit W und falsche Aussagen mit F. Es sind keine Begründungen
Mehr5 Interpolation und Approximation
5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)
MehrFolgen und Reihen. Thomas Blasi
Folgen und Reihen Thomas Blasi 02.03.2009 Inhaltsverzeichnis Folgen und Grenzwerte 2. Definitionen und Bemerkungen............................. 2.2 Konvergenz und Beschränktheit.............................
MehrPolynominterpolation
Polynominterpolation In der numerischen Mathematik versteht man unter Polynominterpolation die Suche nach einem Polynom, welches exakt durch vorgegebene Punkte (z. B. aus einer Messreihe) verläuft. Dieses
Mehr6. Polynom-Interpolation
6. Polynom-Interpolation 1 6.1. Klassische Polynom-Interpolation 2 6.2. Lösung mit Hilfe Lagrange scher Basisfunktionen 3 6.3. Lösung mit Hilfe Newton scher Basisfunktionen 4 6.4. Fehlerabschätzung für
MehrRechenoperationen mit Folgen. Rekursion und Iteration.
Rechenoperationen mit Folgen. Die Menge aller Folgen in V bildet einen Vektorraum, V N, für den die Addition und skalare Multiplikation wie folgt definiert sind. (a n ) n N + (b n ) n N := (a n + b n )
MehrGMA. Grundlagen Mathematik und Analysis. Nullstellen und Fixpunkte Reelle Funktionen 3. Christian Cenker Gabriele Uchida
GMA Grundlagen Mathematik und Analysis Reelle Funktionen 3 Christian Cenker Gabriele Uchida Data Analytics and Computing Nullstellen cos log : 0, 0,? 1 Fixpunkte Beispiel 1 Beispiel 2 1 0 0 und 1 1sin,?
Mehr6 Iterationsverfahren für lineare und nichtlineare Gleichungssysteme
6 Iterationsverfahren für lineare und nichtlineare Gleichungssysteme 6.1 Nullstellen reeller Funktionen Bemerkung 6.1 (Problemstellung) geg.: f C[a, b] ges.: x [a, b] mit f(x ) = 0 Lösungstheorie f linear
Mehr6.1 Holomorphe Funktionen und Potenzreihen. n=0 α n (z z 0 ) n mit Konvergenzradius größer oder gleich r existiert und
Funktionentheorie, Woche 6 Analytische Funktionen 6. Holomorphe Funktionen und Potenzreihen Definition 6. Eine Funktion f : U C C nennt man analytisch in z 0 U, wenn es r > 0 gibt mit B r (z 0 ) U derart,
Mehr18 Höhere Ableitungen und Taylorformel
8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a
MehrStetigkeit von Funktionen
9 Stetigkeit von Funktionen Definition 9.1 : Sei D R oder C und f : D R, C. f stetig in a D : ε > 0 δ > 0 mit f(z) f(a) < ε für alle z D, z a < δ. f stetig auf D : f stetig in jedem Punkt a D. f(a) ε a
MehrHöhere Mathematik für Physiker II
Universität Heidelberg Sommersemester 2013 Wiederholungsblatt Übungen zur Vorlesung Höhere Mathematik für Physiker II Prof Dr Anna Marciniak-Czochra Dipl Math Alexandra Köthe Fragen Machen Sie sich bei
Mehr15 Hauptsätze über stetige Funktionen
15 Hauptsätze über stetige Funktionen 15.1 Extremalsatz von Weierstraß 15.2 Zwischenwertsatz für stetige Funktionen 15.3 Nullstellensatz von Bolzano 15.5 Stetige Funktionen sind intervalltreu 15.6 Umkehrfunktionen
MehrInterpolation und Integration mit Polynomen
Interpolation und Integration mit Polynomen Philipp Andrea Zardo Universität Kassel 23. Februar 2006 / Kassel Outline 1 Einleitung Was ist numerische Mathematik? Die eulersche e-funktion Ein Wurzelalgorithmus
MehrMisterlösung zur Klausur zur Vorlesung Analysis I, WS08/09, Samstag, (Version C)
Misterlösung zur Klausur zur Vorlesung Analysis I, WS08/09, Samstag, 14..009 (Version C Vokabelbuch In diesem Teil soll getestet werden, inwieweit Sie in der Lage sind, wichtige Definitionen aus der Vorlesung
Mehr20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen
20 Gleichmäßige Konvergenz für Folgen und Reihen von Funktionen 20.1 Folgen und Reihen von Funktionen 20.3 Die Supremumsnorm 20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen 20.7 Das Cauchy-Kriterium
MehrFunktionsgrenzwerte, Stetigkeit
Funktionsgrenzwerte, Stetigkeit Häufig tauchen in der Mathematik Ausdrücke der Form lim f(x) auf. x x0 Derartigen Ausdrücken wollen wir jetzt eine präzise Bedeutung zuweisen. Definition. b = lim f(x) wenn
MehrDer Satz von Taylor. Kapitel 7
Kapitel 7 Der Satz von Taylor Wir haben bereits die Darstellung verschiedener Funktionen, wie der Exponentialfunktion, der Cosinus- oder Sinus-Funktion, durch unendliche Reihen kennen gelernt. In diesem
MehrVorlesung Mathematik für Ingenieure I (Wintersemester 2007/08)
1 Vorlesung Mathematik für Ingenieure I (Wintersemester 2007/08) Kapitel 4: Konvergenz und Stetigkeit Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 22. November 2007) Folgen Eine Folge
MehrWenn man den Kreis mit Radius 1 um (0, 0) beschreiben möchte, dann ist. (x, y) ; x 2 + y 2 = 1 }
A Analsis, Woche Implizite Funktionen A Implizite Funktionen in D A3 Wenn man den Kreis mit Radius um, beschreiben möchte, dann ist { x, ; x + = } eine Möglichkeit Oft ist es bequemer, so eine Figur oder
MehrSeminar Gewöhnliche Differentialgleichungen
Seminar Gewöhnliche Differentialgleichungen Dynamische Systeme I 1 Einleitung 1.1 Nichtlineare Systeme In den vorigen Vorträgen haben wir uns mit linearen Differentialgleichungen beschäftigt. Nun werden
MehrAnalysis I. 2. Übungsstunde. Steven Battilana. battilana.uk/teaching
Analysis I. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching March 5, 07 Erinnerung (Euler Formel). e iϕ = cos ϕ + i sin ϕ. Die Polarform von z = x + iy C sei Euler Formel z
MehrP n (1) P j (1) + ε 2, j=0. P(1) P j (1) + ε 2 < ε. log(1+x) =
Zu ε > 0 gibt es ein N N mit P n (1) P j (1) < ε/2 für j,n > N, also gilt Es folgt (1 x) n 1 j=n+1 und schließlich mit n x j P n (1) P j (1) (1 x) ε 2 P n (1) P n (x) (1 x) P(1) P(x) (1 x) für x hinreichend
MehrAnalysis I. 1. Beispielklausur mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Analysis I. Beispielklausur mit en Aufgabe. Definiere die folgenden (kursiv gedruckten) Begriffe. () Das Bild einer Abbildung F: L M. (2) Eine Cauchy-Folge
Mehr6 Die Bedeutung der Ableitung
6 Die Bedeutung der Ableitung 24 6 Die Bedeutung der Ableitung Wir wollen in diesem Kapitel diskutieren, inwieweit man aus der Kenntnis der Ableitung Rückschlüsse über die Funktion f ziehen kann Zunächst
Mehr8. Die Nullstellen der Zeta-Funktion
8.. Wie vorher sei ( s ξ(s = π s/ Γ ζ(s. ξ ist meromorph in ganz C, hat Pole (erster Ordnung nur bei s = und s = und genügt der Funktionalgleichung ξ(s = ξ( s. Daraus folgt: Für Re s < hat die Zeta-Funktion
MehrSS 2016 Höhere Mathematik für s Studium der Physik 21. Juli Probeklausur. Die Antworten zu den jeweiligen Fragen sind in blauer Farbe notiert.
SS 6 Höhere Mathematik für s Studium der Physik. Juli 6 Probeklausur Die Antworten zu den jeweiligen Fragen sind in blauer Farbe notiert. Fragen Sei (X, d) ein metrischer Raum. Beantworten Sie die nachfolgenden
MehrEinführung in die numerische Mathematik
Prof. Dr. M. Günther K. Gausling, M.Sc. C. Hendricks, M.Sc. Sommersemester 214 Bergische Universität Wuppertal Fachbereich C Mathematik und Naturwissenschaften Angewandte Mathematik / Numerische Analysis
Mehrist ein n-dimensionaler, reeller Vektorraum (vgl. Lineare Algebra). Wir definieren auf diesem VR ein Skalarprodukt durch i y i i=1
24 14 Metrische Räume 14.1 R n als euklidischer Vektorraum Die Menge R n = {(x 1,..., x n ) x i R} versehen mit der Addition und der skalaren Multiplikation x + y = (x 1 + y 1,..., x n + y n ) λx = (λx
MehrMusterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II. x 2
Musterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II Wiederholungsblatt: Analysis Sommersemester 2011 W. Werner, F. Springer erstellt von: Max Brinkmann Aufgabe 1: Untersuchen Sie, ob die
MehrAufgaben und Lösungen Ausarbeitung der Übungsstunde zur Vorlesung Analysis I
Aufgaben und Lösungen Ausarbeitung der Übungsstunde zur Vorlesung Analysis I Wintersemester 2008/2009 Übung 11 Einleitung Es wird eine 15-minütige Mikroklausur geschrieben. i) Sei D R oderd C. Wann heißt
MehrModul Grundbildung Analysis WiSe 10/11. A.: Wurde in diesem Kapitel behandelt. C.: Weitere Fragen (Nicht nur für die Klausur interessant)
Modul Grundbildung Analysis WiSe 10/11 Im Folgenden bedeutet A: Wurde in diesem Kapitel behandelt B: Interessante Aufgaben C: Weitere Fragen (Nicht nur für die Klausur interessant) V1 Konvergenz, Grenzwert
MehrMusterlösungen zu Blatt 15, Analysis I
Musterlösungen zu Blatt 5, Analysis I WS 3/4 Inhaltsverzeichnis Aufgabe 85: Konvergenzradien Aufgabe 86: Approimation von ep() durch Polynome Aufgabe 87: Taylorreihen von cos 3 und sin Aufgabe 88: Differenzenquotienten
Mehr10 Differenzierbare Funktionen
10 Differenzierbare Funktionen 10.1 Definition: Es sei S R, x 0 S Häufungspunkt von S. Eine Funktion f : S R heißt im Punkt x 0 differenzierbar, wenn der Grenzwert f (x 0 ) := f(x 0 + h) f(x 0 ) lim h
MehrÜbungen zur Vorlesung Funktionentheorie Sommersemester Musterlösung zu Blatt 10. f(z) f(z) dz
UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6. MATHEMATIK Prof. Dr. Roland Speicher M.Sc. Tobias Mai Übungen zur Vorlesung Funktionentheorie Sommersemester 0 Musterlösung zu Blatt 0 Aufgabe. Berechnen Sie
Mehr6 Weiterer Ausbau der Differentialrechnung
6 Weiterer Ausbau der Differentialrechnung 6.1 Mittelwertsätze, Extremwerte, Satz von Taylor Motivation: Wie wählt man Höhe und Durchmesser einer Konservendose, so dass bei festem Volumen V möglichst wenig
MehrReelle/komplexe Zahlen und Vollständigkeit
Die folgenden Fragen/Aussagen sind mit ja / wahr oder nein / falsch zu beantworten. Da wir den Stoff der Analysis 1 behandeln, ist im weiteren davon auszugehen dass die Folgen, Reihen, Definitionsbereiche
MehrAnalysis I. 4. Beispielklausur mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Analysis I 4. Beispielklausur mit en Aufgabe 1. Definiere die folgenden (kursiv gedruckten) Begriffe. (1) Eine bijektive Abbildung f: M N. () Ein
MehrÜbungen zu Einführung in die Numerische Mathematik (V2E2) Sommersemester 2016
Übungen zu Einführung in die Numerische Mathematik (VE) Sommersemester 6 Prof. Dr. Martin Rumpf Pascal Huber Sascha Tölkes Übungsblatt 8 Abgabe:.6.6 Aufgabe 5 (Elliptisches Randwertproblem auf einem Ring)
MehrMathematik Übungsblatt - Lösung. b) x=2
Hochschule Regensburg Fakultät Informatik/Mathematik Christoph Böhm Sommersemester 204 Technische Informatik Bachelor IT2 Vorlesung Mathematik 2 Mathematik 2 4. Übungsblatt - Lösung Differentialrechnung
MehrLösungen zum 11. Übungsblatt Funktionentheorie I
Universität Karlsruhe SS 2005 Mathematisches Institut I Prof. Dr. M. von Renteln Dr. C. Kaiser Lösungen zum 11. Übungsblatt Funktionentheorie I Aufgabe 11.1 a) Nach dem Maximumprinzip nimmt die Funktion
Mehr10 Logarithmus- und Potenzfunktion
4 Logarithmus- und Potenzfunktion. Satz: Sei G einfach zusammenhängend, f H(G) und z G. Dann existiert genau eine Stammfunktion F von f mit F(z ) =. Für z G sei γ z ein beliebiger Integrationsweg in G,
MehrVorlesung Mathematik 2 für Ingenieure (Sommersemester 2016)
1 Vorlesung Mathematik 2 für Ingenieure (Sommersemester 216) Kapitel 11: Potenzreihen und Fourier-Reihen Prof. Miles Simon Nach Folienvorlage von Prof. Dr. Volker Kaibel Otto-von-Guericke Universität Magdeburg.
MehrINGENIEURMATHEMATIK. 8. Reihen. Sommersemester Prof. Dr. Gunar Matthies
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik INGENIEURMATHEMATIK 8. Reihen Prof. Dr. Gunar Matthies Sommersemester 2016 G. Matthies Ingenieurmathematik
MehrKonvergenz im quadratischen Mittel und die Parsevelsche Gleichung
Konvergenz im quadratischen Mittel und die Parsevelsche Gleichung Skript zum Vortrag im Proseminar Analysis bei Dr. Gerhard Mülich Christian Maaß 6.Mai 8 Im letzten Vortrag haben wir gesehen, dass das
MehrKlausur zur Analysis I WS 01/02
Klausur zur Analysis I WS 0/0 Prof. Dr. E. Kuwert. Februar 00 Aufgabe (4 Punkte) Berechnen Sie unter a) und b) jeweils die Ableitung von f für x (0, ): a) f(x) = e sin x b) f(x) = x α log x a) f (x) =
MehrLösungen Klausur. k k (n + 1) n. für alle n N. Lösung: IA: Für n = 1 ist 1. k k + (n + 1) n+1. k k = k=1. k=1 kk = 1 1 = 1 2 = 2 1.
Lösungen Klausur Aufgabe (3 Punkte) Zeigen Sie, dass n k k (n + ) n k für alle n N. IA: Für n ist k kk 2 2. IV: Es gilt n k kk (n + ) n für ein n N. IS: Wir haben n+ k k k n k k + (n + ) n+ k IV (n + )
MehrVorlesungen Analysis von B. Bank
Vorlesungen Analysis von B. Bank vom 23.4.2002 und 26.4.2002 Zunächst noch zur Stetigkeit von Funktionen f : D(f) C, wobei D(f) C. (Der Text schliesst unmittelbar an die Vorlesung vom 19.4.2002 an.) Auf
MehrProbeklausur zu Funktionentheorie, Lebesguetheorie und gewöhnlichen Differentialgleichungen
MATHEMATISCHES INSTITUT SoSe 24 DER UNIVERSITÄT MÜNCHEN Probeklausur zu Funktionentheorie, Lebesguetheorie und gewöhnlichen Differentialgleichungen Musterlösung Prof. Dr. P. Pickl Aufgabe Zeigen Sie, dass
Mehr10 Der Satz über implizite Funktionen und Umkehrfunktionen
Vorlesung SS 9 Analsis Prof. Dr. Siegfried Echterhoff SATZ ÜBER IMPLIZITE FKT UND UMKEHRFKT Der Satz über implizite Funktionen und Umkehrfunktionen Motivation: Sei F : U R R eine differenzierbare Funktion
MehrLösungsvorschlag zur Übungsklausur zur Analysis I
Prof. Dr. H. Garcke, Dr. H. Farshbaf-Shaker, D. Depner WS 8/9 NWF I - Mathematik 9..9 Universität Regensburg Lösungsvorschlag zur Übungsklausur zur Analysis I Frage 1 Vervollständigen Sie die folgenden
Mehr2. Klausur zur Funktionentheorie SS 2009
Aufgabe : Finden Sie ein Beispiel für eine meromorphe Funktion f M(C), die auf den Kreisringen A 0, (0) und A,2 (0) unterschiedliche Laurentreihenentwicklungen besitzt. Beweisen Sie, dass Ihr Beispiel
Mehr10 Aus der Analysis. Themen: Konvergenz von Zahlenfolgen Unendliche Reihen Stetigkeit Differenzierbarkeit
10 Aus der Analysis Themen: Konvergenz von Zahlenfolgen Unendliche Reihen Stetigkeit Differenzierbarkeit Zahlenfolgen Ein unendliche Folge reeller Zahlen heißt Zahlenfolge. Im Beispiel 2, 3, 2, 2 2, 2
MehrFolgen, Reihen, Grenzwerte u. Stetigkeit
Folgen, Reihen, Grenzwerte u. Stetigkeit Josef F. Bürgler Abt. Informatik HTA Luzern, FH Zentralschweiz HTA.MA+INF Josef F. Bürgler (HTA Luzern) Einf. Infinitesimalrechnung HTA.MA+INF 1 / 33 Inhalt 1 Folgen
MehrV.1 Konvergenz, Grenzwert und Häufungspunkte
V.1 Konvergenz, Grenzwert und Häufungspunkte S. 108 110 A. Bereits bekannt: Folge Extrem wichtig: Grenzwert bzw. Konvergenz: a n a oder lim n a n = a : ε R, ε > 0 n 0 N : a n a < ε n n 0 Begriffe: Fast
Mehr4.1 Grundlegende Konstruktionen Stetigkeit von Funktionen Eigenschaften stetiger Funktionen... 92
Kapitel 4 Funktionen und Stetigkeit In diesem Kapitel beginnen wir Funktionen f : Ê Ê systematisch zu untersuchen. Dazu bauen wir auf den Begriff des metrischen Raumes auf und erhalten offene und abgeschlossene
MehrVorlesung Mathematik für Ingenieure (WS 11/12, SS 12, WS 12/13)
1 Vorlesung Mathematik für Ingenieure (WS 11/12, SS 12, WS 12/13) Kapitel 5: Konvergenz Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 15. Dezember 2011) Folgen Eine Folge x 0, x 1,
MehrFourier-Reihen. Definition. Eine auf R definierte Funktion f heißt periodisch mit der Periode T 0, wenn f(x + T ) = f(x) x R.
Fourier-Reihen Sehr häufig in der Natur begegnen uns periodische Vorgänge, zb beim Lauf der Gestirne am Nachthimmel In der Physik sind Phänomene wie Schwingungen und Wechselströme periodischer Natur Zumeist
MehrSkript zur Analysis 1. Kapitel 3 Stetigkeit / Grenzwerte von Funktionen
Skript zur Analysis 1 Kapitel 3 Stetigkeit / Grenzwerte von Funktionen von Prof. Dr. J. Cleven Fachhochschule Dortmund Fachbereich Informatik Oktober 2003 2 Inhaltsverzeichnis 3 Stetigkeit und Grenzwerte
MehrFerienkurs Analysis 1 - Wintersemester 2014/15. 1 Aussage, Mengen, Induktion, Quantoren
Ferienkurs Analysis 1 - Wintersemester 2014/15 Können Sie die folgenden Fragen beantworten? Sie sollten es auf jeden Fall versuchen. Dieser Fragenkatalog orientiert sich an den Themen der Vorlesung Analysis
MehrLaurent-Reihen. Definition 1 (Laurent-Reihe) Unter einer Laurent-Reihe versteht man eine Reihe der Form. c n (z z 0 ) n (2) n=0
Laurent-Reihen Definition (Laurent-Reihe Unter einer Laurent-Reihe versteht man eine Reihe der Form c n (z z 0 n. ( n Man nennt die Teile c n (z z 0 n n bzw. c n (z z 0 n ( n0 den Haupt- bzw. Nebenteil
MehrVollständigkeit. Andreas Schmitt. Ausarbeitung zum Proseminar zur Topologie im WS 2012/13
Vollständigkeit Andreas Schmitt Ausarbeitung zum Proseminar zur Topologie im WS 2012/13 1 Einleitung Bei der Konvergenz von Folgen im Raum der reellen Zahlen R trifft man schnell auf den Begriff der Cauchy-Folge.
MehrModulprüfung Numerische Mathematik 1
Prof. Dr. Klaus Höllig 18. März 2011 Modulprüfung Numerische Mathematik 1 Lösungen Aufgabe 1 Geben Sie (ohne Beweis an, welche der folgenden Aussagen richtig und welche falsch sind. 1. Die Trapezregel
MehrDas Newton Verfahren.
Das Newton Verfahren. Ziel: Bestimme eine Nullstelle einer differenzierbaren Funktion f :[a, b] R. Verwende die Newton Iteration: x n+1 := x n f x n) f x n ) für f x n ) 0 mit Startwert x 0. Das Verfahren
MehrKapitel 1. Holomorphe Funktionen
Kapitel 1 Holomorphe Funktionen Zur Erinnerung: I IR sei ein offenes Intervall, und sei z 0 I. Eine Funktion f : I IR heißt differenzierbar in z 0, falls der Limes fz fz 0 lim =: f z 0 z z 0 z z 0 existiert.
MehrStetigkeit. Definitionen. Beispiele
Stetigkeit Definitionen Stetigkeit Sei f : D mit D eine Funktion. f heißt stetig in a D, falls für jede Folge x n in D (d.h. x n D für alle n ) mit lim x n a gilt: lim f x n f a. Die Funktion f : D heißt
MehrTaylorentwicklung von Funktionen einer Veränderlichen
Taylorentwicklung von Funktionen einer Veränderlichen 17. Januar 2013 KAPITEL 1. MATHEMATISCHE GRUNDLAGEN 1 Kapitel 1 Mathematische Grundlagen 1.1 Stetigkeit, Differenzierbarkeit und C n -Funktionen Der
MehrGRUNDLAGEN MATHEMATIK
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik GRUNDLAGEN MATHEMATIK 2. Folgen Prof. Dr. Gunar Matthies Wintersemester 2015/16 G. Matthies Grundlagen Mathematik
MehrKonvergenz im quadratischen Mittel und Parsevalsche Gleichung
Konvergenz im quadratischen Mittel und Parsevalsche Gleichung Skript zum Vortrag im Proseminar Analysis bei Prof Dr Picard, gehalten von Helena Malinowski In vorhergehenden Vorträgen und dazugehörigen
MehrHäufungspunkte und Satz von Bolzano und Weierstraß.
Häufungspunkte und Satz von Bolzano und Weierstraß. Definition: Sei (a nk ) k N eine konvergente Teilfolge der Folge (a n ) n N.Dannwirdder Grenzwert der Teilfolge (a nk ) k N als Häufungspunkt der Folge
MehrStetige Funktionen. Definition. Seien (X, d) und (Y, ϱ) metrische Räume und f : X Y eine Abbildung. D(f) X sei der Definitionsbereich von f.
Stetige Funktionen Abbildungen f : X Y, wobei X und Y strukturierte Mengen sind (wie z.b. Vektorräume oder metrische Räume), spielen eine zentrale Rolle in der Mathematik. In der Analysis sind Abbildungen
Mehr13 Die trigonometrischen Funktionen
13 Die trigonometrischen Funktionen Wir schreiben die Werte der komplexen Exponentialfunktion im Folgenden auch als e z = exp(z) (z C). Geometrisch definiert man üblicherweise die Werte der Winkelfunktion
MehrTechnische Universität Berlin. Klausur Analysis I
SS 2008 Prof. Dr. John M. Sullivan Kerstin Günther Technische Universität Berlin Fakultät II Institut für Mathematik Klausur Analysis I 4.07.2008 Name: Vorname: Matr.-Nr.: Studiengang: Mit der Veröffentlichung
MehrDie Interpolationsaufgabe besteht darin, eine (einfache) Funktion u n U n zu finden,
Kapitel 3 Interpolation 31 Einführung Bemerkung 31 Motivation, Aufgabenstellung Gegeben seien eine Funktion f C([a,b]) und x i [a,b], i = 0,n, mit a x 0 < x 1 < < x n b (31) Die Interpolationsaufgabe besteht
MehrÜbungsblatt 2 - Analysis 2, Prof. G. Hemion
Tutor: Martin Friesen, martin.friesen@gmx.de Übungsblatt 2 - Analysis 2, Prof. G. Hemion Um die hier gestellten Aufgaben zu lösen brauchen wir ein wenig Kentnisse über das Infimum bzw. Supremum einer Menge.
MehrDer Fundamentalsatz der Algebra. 1 Motivation
Vortrag im Rahmen des Proseminars zur Analysis, 24. April 2006 Micha Bittner Motivation Den ersten des Fundamentalsatzes der Algebra erbrachte C.F. Gauss im Jahr 799 im Rahmen seiner Dissertation. Heute
MehrApril (Voll-) Klausur Analysis I für Ingenieure. Rechenteil
April (Voll-) Klausur Analysis I für Ingenieure en Rechenteil Aufgabe 7 Punkte (a) Skizzieren Sie die 4-periodische Funktion mit f() = für und f() = für (b) Berechnen Sie für diese Funktion die Fourierkoeffizienten
MehrLösungen der Aufgaben zu Kapitel 9
Lösungen der Aufgaben zu Kapitel 9 Abschnitt 9. Aufgabe a) Wir bestimmen die ersten Ableitungen von f, die uns dann das Aussehen der k-ten Ableitung erkennen lassen: fx) = x + e x xe x, f x) = e x e x
MehrÜbungen zu Grundlagen der Mathematik 2 Lösungen Blatt 12 SS 14. Aufgabe 44. Bestimmen Sie die Taylor-Polynome der Funktion.
Übungen zu Grundlagen der Mathematik Lösungen Blatt 1 SS 14 Prof. Dr. W. Decker Dr. M. Pleger Aufgabe 44. Bestimmen Sie die Taylor-Polynome der Funktion f : U R, (x, y) x y x + y, im Punkt (1, 1) bis einschließlich.
Mehr